Ukuran Pemusatan Data Mean-Median-Mode

Salah satu aspek yang paling penting untuk menggambarkan distribusi data adalah nilai pusat data pengamatan (Central Tendency). Setiap pengukuran aritmatika yang ditujukan untuk menggambarkan suatu nilai yang mewakili nilai pusat atau nilai sentral dari suatu gugus data (himpunan pengamatan) dikenal sebagai ukuran pemusatan data (tendensi sentral). Terdapat tiga ukuran pemusatan data yang sering digunakan, yaitu:

Ø  Mean (Rata-rata hitung/rata-rata aritmetika)

Ø  Median

Ø  Mode

Pada artikel ini akan di bahas mengenai pengertian beberapa ukuran pemusatan data yang dilengkapi dengan contoh perhitungan, baik untuk data tunggal ataupun data yang sudah dikelompokkan dalam tabel distribusi frekuensi. Selain ukuran statistik di atas, akan dibahas juga mengenai beberapa ukuran statistik lainnya, seperti Rata-rata Ukur (Geometric Mean), Rata-rata Harmonik (H) serta beberapa karakteristik penting yang perlu dipahami untuk ukuran tendensi sentral yang baik serta bagaimana memilih atau menggunakan nilai tendensi sentral yang tepat.

Korelasi Pearson

Korelasi Pearson merupakan salah satu ukuran korelasi yang digunakan untuk mengukur kekuatan dan arah hubungan linier dari dua veriabel. Dua variabel dikatakan berkorelasi apabila perubahan salah satu variabel disertai dengan perubahan variabel lainnya, baik dalam arah yang sama ataupun arah yang sebaliknya. Harus diingat bahwa nilai koefisien korelasi yang kecil (tidak signifikan) bukan berarti kedua variabel tersebut tidak saling berhubungan. Mungkin saja dua variabel mempunyai keeratan hubungan yang kuat namun nilai koefisien korelasinya mendekati nol, misalnya pada kasus hubungan non linier.

Dengan demikian, koefisien korelasi hanya mengukur kekuatan hubungan linier dan tidak pada hubungan non linier. Harus diingat pula bahwa adanya hubungan linier yang kuat di antara variabel tidak selalu berarti ada hubungan kausalitas, sebab-akibat.

Pendahuluan

Seringkali peneliti mengamati beberapa parameter dari sampling atau satuan pengamatan yang sama. Sebagai contoh, pada penelitian pengujian suatu jenis pupuk tertentu, selain mencatat hasil padi, mungkin juga Peneliti ingin mencatat beberapa respons lainnya, seperti jumlah bulir, berat 100 biji, jumlah anakan, serapan Nitrogen, serapan kalium dsb. Apabila hanya terdapat dua variabel yang dicatat, dikatakan bivariate, sedangkan apabila lebih, dikatakan multivariate. Variabel yang di catat tersebut nilainya bersifat acak, sehingga dikatakan sebagai variabel acak. Berbeda dengan dosis pupuk yang sudah ditentukan sebelumnya, variabel pupuk tersebut bersifat tetap, sehingga dikatakan variabel tetap. Mungkin saja, selain peneliti ingin melihat hubungan antara dosis pupuk (faktor) dengan hasil padi (respons) , dia juga ingin melihat hubungan di antara pasangan variabel-variabel respons yang dia amati. Apakah peningkatan serapan nitrogen seiring dengan peningkatan hasil atau justru sebaliknya dan bagaimanakah pula kekuatan hubungannya? Kekuatan dan arah hubungan linier di antara kedua variabel tersebut bisa dijelaskan dengan ukuran statistik yang dinamakan dengan "koefisien korelasi".

Distribusi Frekuensi Relatif dan Kumulatif

Distribusi frekuensi dibuat dengan alasan berikut:

• kumpulan data yang besar dapat diringkas
• kita dapat memperoleh beberapa gambaran mengenai karakteristik data, dan
• merupakan dasar dalam pembuatan grafik penting (seperti histogram).

Banyak software (teknologi komputasi ) yang bisa digunakan untuk membuat tabel distribusi frekuensi secara otomatis. Meskipun demikian, di sini tetap akan diuraikan mengenai prosedur dasar dalam membuat tabel distribusi frekuensi.

Langkah-langkah dalam menyusun tabel distribusi frekuensi:

• Urutkan data, biasanya diurutkan dari nilai yang paling kecil
• Tujuannya agar range data diketahui dan mempermudah penghitungan frekuensi tiap kelas!
• Tentukan range (rentang atau jangkauan)
• Range = nilai maksimum – nilai minimum
• Tentukan banyak kelas yang diinginkan. Jangan terlalu banyak/sedikit, berkisar antara 5 dan 20, tergantung dari banyak dan sebaran datanya.
• Aturan Sturges:
• Banyak kelas = 1 + 3.3 log n, dimana n = banyaknya data
• Tentukan panjang/lebar kelas interval (p)
• Panjang kelas (p) = [rentang]/[banyak kelas]
• Tentukan nilai ujung bawah kelas interval pertama

Pada saat menyusun TDF, pastikan bahwa kelas tidak tumpang tindih sehingga setiap nilai-nilai pengamatan harus masuk tepat ke dalam satu kelas. Pastikan juga bahwa tidak akan ada data pengamatan yang tertinggal (tidak dapat dimasukkan ke dalam kelas tertentu). Cobalah untuk menggunakan lebar yang sama untuk semua kelas, meskipun kadang-kadang tidak mungkin untuk menghindari interval terbuka, seperti " ≥ 91 " (91 atau lebih). Mungkin juga ada kelas tertentu dengan frekuensi nol.

Pengertian Statistika

Statistika adalah cabang ilmu matematika terapan yang terdiri dari teori dan metoda mengenai bagaimana cara mengumpulkan, mengukur, mengklasifikasi, menghitung, menjelaskan, mensintesis, menganalisis, dan menafsirkan data yang diperoleh secara sistematis. Dengan demikian, didalamnya terdiri dari sekumpulan prosedur mengenai bagaimana cara:

• Mengumpulkan data
• Meringkas data
• Mengolah data
• Menyajikan data
• Menarik kesimpulan dan interpretasi data berdasarkan kumpulan data dan hasil analisisnya

Pada artikel ini akan diuraikan secara singkat mengenai pengertian dan perbedaan statistik vs parameter, metoda statistik, statistik deskriptif vs statistik inferensial, statistik matematik vs statistik terapan, statistik parametrik vs non parametrik, dan statistik univariat dan multivariat serta peranan statistik dalam penelitian.